移动机器人的避障实验设计+源程序+流程图(6)
(1)基于神经刚络算法的机器人避障方法：一个神经网络是一个由简单处理元构成的规模宏大的并行分布式处理器。天然具有存储经验知识和使之可用的特性。Glasius，R．[1]采用Hopfield神经网络通过使用模拟神经元的方法来进行路径规划和避障，方法优点是：即使在障碍物的运动状态和形状变化时也能快速的在任意起点和终点之问提供一条路径使移动机器人通过。Chohra，A．[2]通过使用神经网络进行避障的同时与混合智能系统(HIS)相连接，可以使移动机器人的认知决策避障的能力和人相近。
(2)基于遗传算法的机器人避障算法：遗传算法由美国Michigan大学的Holland J H教授于20世纪60年代末创建，来源于进化论和遗传学理论，是模拟生物在自然环境下的遗传算法和进化过程而形成的一种自适应全局优化概率搜索算法。Hu，Yanrong[3]采用特定问题的遗传算法来代替传统的遗传算法，特定算子有基于遗传算法的PK(proposed knowledge)和DK(domain knowledge)
组成，一些局部的搜索技巧也包含其中。论文证明了基于遗传算法的知识理解有能力在复杂同时动态的环境中找到一个最优的或者是接近最优的路
径，采用遗传算法的路径规划是一种有效简单的算法。
(3)基于模糊逻辑的机器人避障算法：对传感器获取的信息进行分类，分析机器人的行动路径，该方法存在着“对称无法确定”(symmetric indecision)的现象。“对称无法确定”是指当机器人面临的当前环境左右对称时，无法确定其行进方向或在两个障碍物之间震荡的现象，这种现象使得机器人陷入死锁。G Steven对此问题的解决方法是：产生一个随机方向，使机器人走出死区，但这样有时会撞上障碍物或震荡。Li Wei采用了“向右转”的原则。这样虽然解决了死锁问题，但路径规划时不一定是最优的。Ofiolo G[4]等为了提高机器人路径规划的实时性，在机器人导航时采用A幸算法，而当构建和更新地图时采用模糊逻辑方法，实验结果表明在动态和静态环境中，机器人实时性满足要求。Perez-D’Arpino[5]等也采用模糊逻辑的思想提高机器人路径规划的实时性，试验结果较好。
(4)基于混合算法的机器人避障算法：L．H．Tsoukalas等提出了用于半自主移动机器人路径规划的模糊神经网络方法。所谓的半自主移动机器人就是具有在人类视角基础上增加了学习功能的器件的机器人。这种方法采用模糊描述来完成机器人行为编码，同时重复使用神经网络自适应技术，由机器人上的传感器提供局部的环境输入，由内部模糊神经网络进行环境预测，从而可以在未知环境下
规划机器人路径。除此之外还有启发式搜索算法、基于滚动窗口的算法、基于行为的路径规划算法、基于再激励学习的路径规划算法等智能算法。
上诉所提到的智能方法在机器人路径规划技术中已收到广泛的重视及研究，在障碍物环境已知或未知情况下，均取得了一定的研究成果。
2.2.3 移动机器人避障技术展望
随着计算机技术、传感技术、控制技术的发展，移动机器的避障及其路径规划技术已经取得了丰硕的研究成果，其应用领域不断地扩大，应用复杂程度也越来越高，凶此对其相关技术提出了更高的要求，相应的方法也更加的成熟。然而至今没有任何一种方法能够在任意环境使机器人进行有效地避障。因此如何克服相关算法的局限性是以后工作的研究重点。
避障技术的发展包括以下的几个方面：
(1)通过传统算法能够与智能算法柏融合，使得传统算法能够适应于障碍物信息未或者部分未知的情况，如：人工势场法与神经网络的结合，栅